Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 6

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  low energy consumption
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
PL
W pracy przedstawiono wyniki badań prezentujące wpływ wyboru funkcji sąsiedztwa (neighborhood function - NF) w sieciach Kohonena na jakość procesu uczenia się tych sieci. Celem badań jest określenie, która NF może być najefektywniej zrealizowana sprzętowo, a jednocześnie nie pogarsza jakości procesu uczenia się samoorganizujących się sieci neuronowych. Zbadano efektywność uczenia sieci Kohonena, korzystając z miary błędu kwantyzacji oraz błędu topograficznego. Dokonano porównania uzyskanych wyników dla czterech typów funkcji sąsiedztwa oraz trzech topologii warstwy wyjściowej sieci.
EN
The paper presents an influence of the type of the neighborhood function (NF) on the learning process of the Kohonen neural networks. Four different NF and three topology have been compared. The objective was to determine which NF is the most efficient looking both from the transistor level implementation and the learning quality points of view. The effectiveness of the learning process of SOMs was assessed using two criteria: the quantization error and the topographic error.
EN
A new fast energy efficient learning algorithm suitable for hardware implemented Kohonen Self-Organizing Map (SOM) is proposed in the paper. The new technique is based on a multistage filtering of the quantization error. The algorithm detects such periods in the learning process, in which the quantization error is decreasing (the ‘activity’ phases), which can be interpreted as a progress in training, as well as the ‘stagnation’ phases, in which the error does not decrease. The neighborhood radius is reduced by 1 always just after the training process enters one of the ‘stagnation’ phases, thus shortening this phase. The comprehensive simulations on the software model (in C++) have been carried out to investigate the influence of the proposed algorithm on the learning process. The learning process has been assessed by the used of five criteria, which allow assessing the learning algorithm in two different ways i.e., by expressing the quality of the vector quantization, as well as the topographic mapping. The new algorithm is able to shorten the overall training process by more than 90% thus reducing the energy consumed by the SOM also by 90%. The proposed training algorithm is to be used in a new high performance Neuroprocessor that will find a broad application in a new generation of Wireless Body Area Networks ( WBAN) used in the monitoring of the biomedical signals like, for example, the Electrocardiogram (ECG) signals.
PL
W pracy przedstawiono wyniki badań prezentujące wpływ wyboru funkcji sąsiedztwa (neighborhood function - NF) w sieciach Kohonena na jakość procesu uczenia się tych sieci. Celem badań jest określenie, która NF może być najefektywniej zrealizowana sprzętowo, a jednocześnie nie pogarsza jakości procesu uczenia się samoorganizujących się sieci neuronowych. Zbadano efektywność uczenia sieci Kohonena, korzystając z miary błędu kwantyzacji oraz błędu topograficznego. Dokonano porównania uzyskanych wyników dla czterech typów funkcji sąsiedztwa oraz trzech topologii warstwy wyjściowej sieci.
EN
The paper presents influence of a type of the neighborhood function (NF) on the learning process of the Kohonen neural networks. Four different NF and three topology were compared. The objective was to determine which NF is the most efficient looking both from the transistor level implementation and learning quality points of view. The effectiveness of the learning process of SOMs was assessed using two criteria: the quantization and topographic errors.
4
Content available Pomiarowa sieć radiowa o niskim zużyciu energii
PL
W artykule opisano prace badawcze służące zaprojektowaniu, symulacji i realizacji radiowej sieci pomiarowej charakteryzującej się niskim zużyciem energii. Proponowana sieć ma charakteryzować się równomiernym zużyciem energii przez wszystkie moduły oraz dynamicznym algorytmem trasowania pozwalającym na długotrwałą pracę sieci. W artykule opisano stanowisko służące do badań i kontroli sieci, metodę trasowania, a także sposób symulacji w środowisku Scilab. Podano także parametry charakteryzujące projektowaną sieć, takie jak czasy transmisji i pobór energii.
EN
This paper presents research, design and simulations of an energy efficient wireless sensor network. It describes a routing protocol designed for evenly energy consumption. There is shown how to simulate a network in the Scilab environment. The test wireless sensor network including a measurement station and construction of radio modules are presented. The radio modules consists of Texas Instruments/chipcon's CC1100 transceiver and Atmel's ATmega32 microcontroller. The network can join up to 65535 radio modules (16 bit addressing). The measurement station consists of programmable power supply, an oscilloscope, precise multimeters and a JTAG module. It allows measuring the current consumption in different working modes, checking the time of operations and controlling the radio system. This solution will be used in a wireless water meter network. The most important feature in this application is a long working time (up to 10 years). The even energy consumption should extend the network reliability and its time of work.
EN
This paper presents realization and the laboratory tests of the Kohonen winner takes all (WTA) neural network (NN) realized on microcontrollers (μC) with the AVR and ARM CortexM3 cores, as well as the comparison with the full custom implementation of analog network of this type in the CMOS technology. The two μCs have been placed on a single testing board to facilitate the comparison. The board allows for switching between the two μCs, it enables selection of either the Euclidean (L2) or the Manhattan (L1) distance measures. It also allows for turning on/off the so-called conscience mechanism. Some signals illustrating the training of the network can be observed directly on the board. The full learning process with all essential parameters can be viewed on PC using the USB port. The prospective application of the system is in on-line analysis of the ECG and EMG biomedical signals in the health care diagnostic systems, as well as in the student laboratories on neural networks and programmable devices.
PL
W pracy przedstawiono projekt oraz wyniki badań laboratoryjnych sieci neuronowej Kohonena typu Winner Takes All (WTA) zaimplementowanej na mikrokontrolerach z rdzeniami AVR oraz ARM. W pracy przedstawiono też porównanie z wcześniejszą realizacją podobnej sieci jako specjalizowany analogowy układ scalony. Dwa mikrokontrolery, na których zaimplementowano algorytm uczący umieszczone zostały na jednej płytce testowej aby umożliwić bezpośrednie porównanie ich parametrów. Za pomocą przełączników umieszczonych bezpośrednio na płytce możliwe jest wybranie jednego z mikrokontrolerów, jednej z dwóch miar podobieństwa między wektorami (Euklidesa L2 lub typu Manhattan L1) oraz włączenie lub wyłączenie mechanizmu sumienia. Niektóre sygnały przedstawiające proces uczenia (sygnału sygnalizującego zwycięski neuron) możemy bezpośrednio obserwować na płytce. Proces uczenia możemy też w całości obserwować na komputerze PC, poprzez złącze USB. Do potencjalnych zastosowań wykonanej płytki testowej oraz sprzętowych realizacji sieci neuronowej należą systemy do ciągłego monitoringu zdrowia pacjentów (obserwacja oraz analiza sygnałów typu EKG oraz EMG), a także jako wyposażenie laboratorium studenckiego.
EN
A new hardware implementation of the triangular neighborhood function (TNF) for ultra-low power, Kohonen self-organizing maps (SOM) realized in the CMOS 0.18žm technology is presented. Simulations carried out by means of the software model of the SOM show that even low signal resolution at the output of the TNF block of 3-6 bits (depending on input data set) does not lead to significant disturbance of the learning process of the neural network. On the other hand, the signal resolution has a dominant influence on the overall circuit complexity i.e. the chip area and the energy consumption. The proposed neighborhood mechanism is very fast. For an example neighborhood range of 15 a delay between the first and the last neighboring neuron does not exceed 20 ns. This in practice means that the adaptation process starts in all neighboring neurons almost at the same time. As a result, data rates of 10-20 MHz are achievable, independently on the number of neurons in the map. The proposed SOM dissipates the power in-between 100 mW and 1 W, depending on the number of neurons in the map. For the comparison, the same network realized on PC achieves in simulations data rates in-between 10 Hz and 1 kHz. Data rate is in this case linearly dependend on the number of neurons.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.